[发明专利]一种基于贝叶斯神经网络的卫星异常检测方法

说明书

本发明公开了一种基于贝叶斯神经网络的卫星异常检测方法，包括：与使用传统神经网络的异常检测的方法不同，将贝叶斯思想引入神经网络，网络的权重不再是单值，而是符合某种概率分布。贝叶斯思想赋予神经网络不确定性，给予神经网络这一黑盒模型更好的数学解释。首先，依据卫星数据来构建传统的长短时神经网络。其次，引入贝叶斯思想，建立贝叶斯长短时神经网络，使用dropout方法来进行近似推断，通过最小化网络权重的近似分布和后验分布之间KL散度来学习网络权重。接着，通过蒙特卡洛采样近似权重分布的方式输出网络结果。然后，采用预测熵和互信息这两种度量方式来计算异常检测分类结果的不确定性。最后，通过人工或者自编码器来对具有高不确定的分类样本进行进一步的判断，从而能够更好地提高异常检测的准确率。

技术领域

本发明涉及一种基于贝叶斯神经网络的新型卫星异常数据检测方法，是针对卫星异常数据检测的方法，属于工程应用与信息科学的交叉领域。

背景技术

卫星是一个由相互关联、相互制约的众多部件组成的复杂系统，它是遥测感知、无线通信、导航控制等多学科技术的融合，卫星开启了人类探索浩瀚宇宙的大门。由于卫星长期处在太阳辐射等恶劣的外太空环境下，其在轨运行期间可能会发生无法预料的异常或故障，提前采取措施及时发现这些无法预料的异常或故障，能够保障卫星长期稳定运行。因此，异常检测在卫星故障排查和实时健康检测等领域起着重要的作用。

考虑到卫星复杂的设计结构和恶劣的工作环境，无法直接在外太空的环境下进行异常检测。目前，采用最多的方法是通过在卫星各部件上安装多个传感器直接采集卫星各部件的在轨运行数据，将在轨运行数据传输到地面遥测中心存储为时序数据，然后对卫星时序遥测数据进行分析，实现对卫星的异常检测。

为保障卫星在轨运行的安全性和稳定性，开展卫星实时异常检测技术具有显著的经济和社会效益。卫星故障的前期表现是卫星异常，及时发现卫星异常并采取措施将有可能避免故障的发生。由于卫星的造价高、制造周期长等特点，现有的方法无法在不损坏卫星本身的前提下以低人力、财力、成本的方式对其进行实时异常检测，因此，通过对卫星遥测数据进行分析，并实时检测其潜在异常，识别故障发生前期的微小异常，并通过地面监控系统对卫星运行状态进行相应的调整，可及时避免故障的发生，从而提升卫星在轨运行的稳定性和可靠性，延长卫星在轨寿命并确保其能顺利完成飞行任务。

卫星的异常检测严重依赖模型的准确度，一个过度自信的决策可能低估异常遥测数据带来的危险。并且，该领域数据集不平衡(卫星遥测数据中的正常数据远远多于异常)，这种情况会导致传统模型在采样的类别上发生过拟合现象。将神经网络看作一个概率模型，则传统的神经网络的参数学习可以视为点估计。从概率论的角度来说，使用点估计作为基于任何分类的权重是不合理的。另一方面，贝叶斯神经网络在过拟合现象上更加鲁棒，并且能进行不确定性的度量。不确定性的量化提供了对于新遥测数据异常的直接知识，它扩展了对卫星遥测数据的科学认识。

发明内容

发明目的：本发明的目的是提供一种具有决策置信度的卫星异常检测法。该方法将贝叶斯思想引入神经网络，网络的权重不再是单值，而是概率分布。首先，依据卫星数据来构建长短时记忆神经网络。其次，引入贝叶斯思想，使用dropout方法来进行近似推断，通过最小化网络权重的近似分布和后验分布之间KL散度来学习网络权重。接着，通过蒙特卡洛dropout的方式输出网络结果。然后，采用预测熵和互信息这两种度量来计算异常检测分类结果的不确定性。最后，通过自编码器来对具有高不确定的分类样本进行进一步的判断，从而能够更好地提高异常检测的准确率。